智谱GLM-5.3-Flash开源：320B原生多模态登场

导语

8月26日晚，智谱（Z.ai）正式发布 GLM-5.3-Flash。这是 GLM-5 系列中首个原生多模态模型：总参数约 320B、激活参数仅 18B，支持 100 万 token 上下文，以 MIT 许可在 Hugging Face 开源权重，API 定价只有旗舰版 GLM-5.3 的约十分之一。更引人注目的是，智谱披露其大规模公测流量全部由国产芯片集群承载——开源、便宜、跑在国产算力上，这款模型把几个热门标签一次集齐。

一次到位的发布：参数、价格、开源三连

GLM-5.3-Flash 的定位很清晰：做”性价比下限”的重塑者。它不是 GLM-5.3（8 月 14 日发布）的蒸馏版，而是更换了注意力机制后重新训练的新基座。核心规格如下：

• 架构：原生多模态 MoE，总参数约 320B，激活 18B；首个采用稀疏注意力与线性注意力混合架构的开源前沿模型。
• 输入输出：支持文本、图像、视频、文件输入，文本输出；上下文窗口 100 万 token，最大输出 128K。
• 效率：相比 GLM-5.3，注意力计算量与 KV 缓存分别降低 3.01 倍和 4.44 倍，并引入 IndexPool 把索引器的 4 个缓存向量压缩为 1 个。
• 性能：Artificial Analysis 综合智能指数 57 分，与 Claude Opus 4.8 处于同一水位。
• 价格：API 输入 0.15 美元 / 百万 token、输出 0.50 美元 / 百万 token，约为 GLM-5.3 的十分之一。
• 开源：MIT 许可，Hugging Face 上同时放出 FP8（约 328GB）与 BF16（约 642.7GB）权重，支持 SGLang、vLLM 等本地部署。

值得一提的是，发布前约 6 天，这款模型曾以匿名代号”Ox Alpha（牛来）”出现在 OpenRouter 与 OpenCode 上接受公开测试，发布时官方才确认其真实身份。

原生多模态：把”眼睛”装进编程循环

“原生多模态”是这次升级的关键词。与外挂视觉模块的方案不同，GLM-5.3-Flash 的视觉能力被直接融进了编程与智能体循环：模型能主动观察界面、渲染结果与交互反馈，并持续修正。官方文档给出的例子颇具冲击力——模型曾自主连续运行 16 小时，在 Blender 里从零搭建出约 400 平方米的专业主厨住宅与测试厨房场景，全程无外部素材。前端开发场景下，它可以把页面截图、网站 URL 或操作录屏直接转成可运行的应用，再逐页截图对比、反复打磨。

同时，GLM-5.3-Flash 已全量接入 GLM Coding Plan（额度提升至 3 倍），智谱还推出了提速版 FlashX，推理速度达到 200 tokens/秒，主打更流畅的交互体验。

国产芯片承载全部公测流量

比参数更让行业侧目的是算力侧的声明：智谱首次在大规模流量中采用国产芯片集群提供 GLM-5.3-Flash 的服务。通过基于 SGLang 构建的专用推理引擎与 EPD 分离式架构，团队克服了单芯片显存容量与带宽限制，撑起了 100 万 token 的长上下文服务。与同一硬件的初始基线相比，端到端服务性能提升 3 倍，硬件效率与单 token 成本已达到主流 Nvidia GPU 相当的水平。更有趣的细节是，整个推理系统的构建过程本身就有 GLM-5.3 驱动的 infra agent 参与加速——”模型优化系统，系统承载模型”，形成了一次闭环。

背景：开源模型的”效率战争”

GLM-5.3-Flash 的发布，正值开源大模型竞争从”堆参数”转向”拼效率”。当各家旗舰模型在智能上限上逐渐收敛，真正的分水岭变成了：同样的智能，能否用更少的激活参数、更低的推理成本、更长的上下文交付。混合注意力架构、KV 缓存压缩、国产芯片推理优化，都是这场效率战争的弹药。智谱选择把 320B 参数的模型以 MIT 许可完全开放，显然意在把生态和开发者心智一起收入囊中。

展望：便宜的智能会改变什么

当一个接近顶级水平的原生多模态模型，价格降到原来的十分之一、权重完全开放、还能跑在国产芯片上，它冲击的不只是 API 市场，更是应用层的想象力：此前因为成本不敢做的长上下文 Agent、高频调用的编程助手、需要视觉反馈的自动化流程，都有了新的经济可行性。当然，挑战同样真实——公测数据的可复现性、内容安全与合规、以及国产芯片在大规模复杂负载下的长期稳定性，都还需要时间验证。但至少这一次，开源社区拿到了一份分量十足的礼物。